Consulter le texte intégral de la thèse - Université de Poitiers

10 Chapitre 1. Introduction
Néanmoins, on peut remarquer qu’en ce domaine, les analyses de données isotopiques
ne font usage que trop rarement de ces avantages (mais voir Semmens et al.
(2009); Parnell et al. (2010); Ward et al. (2011); Jackson et al. (2011) pourdes
contre-exemples) ; et trop souvent l’accent est mis sur les tests d’hypothèses plutôt
que sur l’estimation (Ellison and Dennis, 2010). Un défaut de ces tests est d’exagérer
l’usage d’hypothèses intenables, en général celles d’un effet nul de differents facteurs
(Burnham and Anderson, 2002; Gelman, 2010; Nelder, 1996). Sans pour autant
dénier l’importance des tests d’hypothèses dans l’avancement des connaissances
scientifiques, on peut remarquer que l’estimation des effets de différents facteurs
est tout aussi importante en écologie (Burnham and Anderson, 2002; Ellison and
Dennis, 2010). Dans le cas des isotopes stables, si l’objectif des inférences porte sur
des états inobservables, l’utilisation explicite d’un modèle statistique adapté (plutôt
que par défaut) permettra sans doute mieux de répondre à cet objectif. Ainsi
Hénaux et al. (2011) se sont intéressés aux routes de migration de quatres Cougars
(Puma concolor) à travers l’Amérique du Nord. À l’aide d’une approche basée sur
la vraisemblance statistique 6 , Hénaux et al. (2011) purent estimer les couloirs de
dispersion les plus probables des animaux à partir des valeurs isotopiques de leur
griffes. De manière similaire Van Wilgenburg and Hobson (2011) ont combiné des
données isotopiques à des données de Capture-Marquage-Recapture afin d’inférer
la localité d’origine d’oiseaux migrateurs.
L’interprétation de données fait toujours appel à un modèle scientifique (compris
ici comme une idéalisation de la “réalité”) (Kuhn, 1996; Chalmers, 2006). Un tel
modèle scientifique nécessite d’être traduit en un modèle statistique, qui une fois
combiné aux données nous permettra de juger des mérites de différentes théories.
Ce modéle statistique impose à son tour des hypothèses simplificatrices, certaines
plus raisonnables que d’autres. Ces hypothèses sont un “mal nécessaire” 7 et doivent
être explicitées pour être mieux critiquées (Box, 1990). Le rôle du statisticien est
donc d’aider le biologiste à faire le lien entre les données, le modèle scientifique
et les méthodes statistiques, et enfin d’écouter les conclusions de ce triumvirat
(Graphique 1.2).
Latent
Observable
Données
Modèles Scientifiques Modèles Statistiques
Fig. 1.2 – Interconnections entre les modèles scientifiques, statistiques et les données
(modifé de Kass (2011).
6 voir Annexe A
7 même les approches dites non-paramétriques ou le ’bootstrap font des hypothèses restrictives
(Efron, 1979; Rubin, 1981; Johnson, 1995; Fagerland and Sandvik, 2009).